用GEP实现复杂函数的自动建模

GEP是一种新颖的遗传算法,在函数建模的应用中取得良好的结果.给出计算有效基因长度的伪代码,结合GRCM方法阅读基因,快速计算出染色体的适应值.在算法中增加了参数估计模块,用GEP得到较好模型后,用参数估计模块进行参数优化,试验显示这种混合的GEP方法比传统的最小二乘法、神经网络以及遗传程序设计等方法具有更好的性能.     

一种求解不等式约束下函数优化问题的新算法

提出了一种求解不等式约束下的函数优化问题的新算法。算法设计思想来源于演化计算的群体搜索技术,但又不同于现存的任何一种演化算法。对一些典型的约束优化问题测试结果表明：新算法结构的简单性,搜索的高效性,收敛的全局性,应用的广泛性,算法的鲁棒性及结果的精确性,都优于现存的演化算法。     

遗传算法在方程求根中的应用

提出了一种新的求根方法,即将遗传算法应用于方程求根的领域之中,并在大量数值实验的基础上,将遗传算法与 常用的传统求根方法进行了比较,实验的结果表明,遗传算法具有一定的优越性。     

符号回归的一种新算法

基于头身尾三段结构的基因表达式程序设计方法,提出一种改进算法。新算法有三大改进:(1)采用模拟退火选择策略避免早熟;(2)用基因库技术保存优势基因,既加速了算法的收敛性,又提高了解的质量;(3)使用二次演化进一步提高解的精度。符号回归实验结果表明,新算法比原基因表达式程序设计算法和遗传程序设计算法收敛更快,精度更高。     

常微分方程组的演化建模新算法

提出了常微分方程组的演化建模的一种新算法，新算法在３个方面改进了作原有的算法：（１）采用新的适应值评估方式；（２）彩一种基于子空间搜索的遗传算法来优化模型的参数；（３）将传统的遗传程序设计方法与局部搜索技术相结合来优化模的结构，将新算法分别应用于人口增长与化学反应模型的自动建模，并比较两种算法的实验结果，表明新算法发现的模型更稳定、精确度更高。     

一和睦注解混合整数非线性规划问题的演化算法：搜索 …

提出一种求解混合整数非线性规划问题的新的演化算法－搜索空间自动收缩法（ＡＣＳＳＯＳ），在这种算法中，演化算法既用来定位最优解区域，实现搜索空间自动向全局最优解收缩，又用来最终求得最优解。由于在遗传算法引用了舍入操作，它不仅可用来求解混合非线性整数规划问题，也可求解纯整型或纯实型变量非线性函数优化问题，数值试验结果表明本文的算法在解的质量，稳定性和收敛速度等方面优于一般的演化算法。     

基因表达式程序设计的GRCM方法

基因表达式程序设计是一种基于基因组和表现型组的新型遗传算法,该算法在运行时具有很高的运行效率,实验表明在求解很多问题的时候比遗传程序设计在速度上优越两个数量级以上。在基因表达式的基础上,提出了基因阅读运算器方法,此方法不需要把染色体转换为表达式树,而是直接对染色体进行操作得到该染色体的适应值。实验表明,采用这种方法不仅简单有效,而且能提高运算的速度。